一种惯性摩擦焊机智能焊接方法和系统技术方案

本发明专利技术公开了一种惯性摩擦焊机智能焊接方法和系统，所述方法包括：根据焊接元件信息确定初始状态值，所述焊接元件信息包括待焊接元件的焊接面形状和材质；数据收集与实时监测，将传感器数据发送至数据处理单元；数据处理与异常检测，数据处理单元根据所述传感器数据分析当前焊接状态，检测是否存在异常情况，当检测到异常时触发调整焊接状态的流程；根据强化学习模型调整焊接状态；强化学习模型的更新方法包括：第一阶段基于有限元分析FEA更新所述强化学习模型，第二阶段基于有限元分析FEA和所述传感器数据更新所述强化学习模型；通过本发明专利技术的智能方法可以进行有效的调整焊接状态，提高焊接精度。提高焊接精度。提高焊接精度。

【技术实现步骤摘要】
一种惯性摩擦焊机智能焊接方法和系统


[0001]本专利技术属于计算机
，尤其涉及一种惯性摩擦焊机智能焊接方法和系统。

技术介绍

[0002]惯性摩擦焊（Inertia Friction Welding，IFW）是一种固态焊接技术，这种焊接方法主要应用于航空航天、汽车制造、船舶工程、石油天然气管道等领域，特别适用于金属材料之间的连接。由于其独特的焊接过程，惯性摩擦焊具有高效率、高质量、节能环保等优点，已成为一种重要的工程焊接技术。惯性摩擦焊的基本原理是将其中一个工件固定在旋转夹具上，使其以一定的速度旋转，另一个工件则被固定在移动固定夹具上。旋转工件的旋转惯量储存了一定的能量。在焊接过程中，移动固定夹具带动非旋转工件向旋转工件移动，使两工件在轴向压力作用下发生摩擦。随着摩擦加热，工件接触表面的温度逐渐升高，直至达到接近或略低于材料的熔点。在此状态下，两工件的接触表面形成了一层塑性变形区，使工件之间产生永久连接。与传统熔融焊接方法相比，惯性摩擦焊具有以下优势：高效率：焊接过程快速，一般在几秒至几十秒之间完成。高质量：由于工件没有完全熔化，焊接接头的晶粒较细，具有较好的力学性能。节能环保：焊接过程中无需添加焊剂，无焊接烟雾和有害气体产生，对环境和操作者的影响较小。材料适应性广泛：适用于相同或不同金属材料之间的连接，包括一些难以焊接的材料，如钛合金、高强度钢等。然而，现有的惯性摩擦焊机在焊接过程中仍存在一定的问题，惯性摩擦焊过程中的振动和对接精度仍存在挑战，这些问题影响了焊接质量及精度。
[0003]在惯性摩擦焊过程中，工件被分别固定在旋转夹具和移动固定夹具内，随后移动固定夹具带动工件向旋转端移动。当两工件接触并开始摩擦加热时，会产生剧烈的高频震动。这些震动对焊接后工件的同轴度产生不利影响，从而降低了焊接精度。为了解决这一问题，市场上迫切需要一种智能化的焊接系统，以便对惯性摩擦焊机进行旋转约束，从而提高焊接精度。
[0004]针对上述问题，研究人员需要开发新型的惯性摩擦焊设备，该设备应当具备智能化控制系统，以有效地约束旋转过程中产生的高频振动。此外，该系统还应当具备自适应调节功能，以便在不同工件和焊接条件下实现高精度焊接。通过对焊接过程的优化和对设备的改进，有望显著提高惯性摩擦焊机的精度，满足各行业对高质量焊接的需求。

技术实现思路

[0005]针对上述现有技术中存在的缺陷，本专利技术提供一种惯性摩擦焊机的智能焊接方法，所述方法包括以下步骤：步骤1，根据焊接元件信息确定初始状态值，所述焊接元件信息包括待焊接元件的焊接面形状和材质；步骤2，数据收集与实时监测，将传感器数据发送至数据处理单元；步骤3，数据处理与异常检测，数据处理单元根据所述传感器数据分析当前焊接状态，检测是否存在异常情况，当检测到异常时触发调整焊接状态的流程；步骤4，根据强化学习模型调整焊接状态；步骤5，循环执行上述步骤2
‑
4；其中，所述强化学习模型的更
新方法包括：在第一阶段基于有限元分析FEA更新所述强化学习模型；以及在第二阶段基于有限元分析FEA和所述传感器数据更新所述强化学习模型。
[0006]基于有限元分析FEA用作环境模型进行生成和更新的强化学习模型，包括结合有限元分析FEA和强化学习DQN算法获得优化参数的方法，所述参数为固定端支撑点数量、固定端支撑点压力和旋转支撑结构压力这三个参数。
[0007]其中，将有限元分析FEA用于计算振动幅值，将强化学习模型用于搜索最优的参数组合。
[0008]其中，根据焊接元件信息确定初始状态值，所述初始状态值包括固定端支撑点数量、固定端支撑点压力和旋转支撑结构压力的初始状态值。
[0009]其中，安装加速度传感器在旋转夹紧端和固定夹紧端，通过无线通信将加速度传感器收集到的振动数据发送至数据处理单元。
[0010]其中，基于传感器数据更新强化学习模型，以及根据更新后的强化学习模型的输出，确定最优的固定端支撑点数量、固定端支撑点压力和旋转支撑结构压力这三个参数，根据最优参数调整实际设备的对应参数。
[0011]其中，在所述步骤1之前，还包括：根据焊接元件信息，从服务器载入与焊接元件信息对应的强化学习模型。
[0012]其中，从所述服务器载入的模型为基于有限元分析FEA用作环境模型进行生成和更新的强化学习模型。
[0013]其中，在检测设备异常时，基于记录的传感器数据更新强化学习模型，以及基于根据传感器数据修正后的有限元分析FEA环境模型进行强化学习模型的更新。
[0014]其中，在显示系统对数据实时监测、预警、分析、异常数据进行显示。
[0015]本专利技术还公开了一种惯性摩擦焊机的智能焊接系统，所述系统包含处理器、存储器，所述处理器通过执行存储器中的计算机指令实现前述的方法。
[0016]与现有技术相比，本专利技术通过惯性摩擦焊机智能焊接系统的应用，同时根据惯性摩擦焊设备的结构特点，旋转夹紧端的工件产生的振动量大于固定夹紧端的异常数据分析和预警，通过惯性摩擦焊机智能焊接系统进行数据分析调整固定端的结构刚性增加旋转支撑结构的压力值，降低旋转端工件的高频振动，通过惯性摩擦焊机智能焊接系统的数据实时监测、预警、分析、异常数据处理，通过软件自身的智能算法，进行有效的调整焊接状态，从而大大提高了惯性摩擦焊机焊接件的焊接精度。
附图说明
[0017]图1：根据本专利技术实施例的惯性摩擦焊机的智能焊接方法流程图。
[0018]图2：根据本专利技术实施例的结合有限元分析FEA和强化学习DQN算法的模型方法的流程图。
具体实施方式
[0019]下面结合附图详细说明本专利技术的可选实施例。
实施例一。
[0020]如图1所示，本专利技术公开了一种惯性摩擦焊机的智能焊接方法，所述方法包括：数据收集与实时监测，安装加速度传感器在旋转夹紧端和固定夹紧端，所述传感器数据可以采集收集焊接系统的振动数据，所述振动数据为振动幅值，通过无线通信将收集到的数据发送至数据处理单元。
[0021]数据处理单元进行数据分析与异常检测，数据处理单元根据传感器数据分析当前焊接状态，检测是否存在异常情况，当检测到异常时，系统会触发调整焊接状态的流程。
[0022]调整焊接状态包括根据传感器实际检测参数更新强化学习模型，以及根据更新后的强化学习模型的输出，确定最优的固定端支撑点数量、固定端支撑点压力和旋转支撑结构压力这三个参数组，然后调整实际设备以达到最佳焊接状态。
[0023]循环执行上述步骤，在焊接过程中实时调整参数，使得智能焊接系统进行实时监测、数据分析、异常处理和调整焊接状态的过程，以确保焊接质量和精度。
[0024]其中，强化学习模型更新过程包括：记录传感器监测到的数据，在监测设备异常时，可以通过监测到的数据组（振动数据和实际的固定端支撑点数量、固定端支撑点压力和旋转支撑结构压力数据）更新强化学习模型，使模型更好地适应当前设备组的工况。通过与实际环境数据进行交互、执行动作并获取奖励，学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种惯性摩擦焊机的智能焊接方法，所述方法包括以下步骤：步骤1，根据焊接元件信息确定初始状态值，所述焊接元件信息包括待焊接元件的焊接面形状和材质；步骤2，数据收集与实时监测，将传感器数据发送至数据处理单元；步骤3，数据处理与异常检测，数据处理单元根据所述传感器数据分析当前焊接状态，检测是否存在异常情况，当检测到异常时触发调整焊接状态的流程；步骤4，根据强化学习模型调整焊接状态；步骤5，循环执行上述步骤2
‑
4；其中，所述强化学习模型的更新方法包括：在第一阶段基于有限元分析FEA更新所述强化学习模型；以及在第二阶段基于有限元分析FEA和所述传感器数据更新所述强化学习模型；基于有限元分析FEA用作环境模型进行生成和更新的强化学习模型，包括结合有限元分析FEA和强化学习DQN算法获得优化参数的方法，所述参数为固定端支撑点数量、固定端支撑点压力和旋转支撑结构压力这三个参数；其中，将有限元分析FEA用于计算振动幅值，将强化学习模型用于搜索最优的参数组合。2.根据权利要求1所述的惯性摩擦焊机的智能焊接方法，其特征在于，根据焊接元件信息确定初始状态值，所述初始状态值包括固定端支撑点数量、固定端支撑点压力和旋转支撑结构压力的初始状态值。3.根据权利要求1所述的惯性摩擦焊机的智能焊接方法，其特征在于，安装加速度传感...

【专利技术属性】
技术研发人员：姚志刚，李军，赵衍华，张丽娜，
申请(专利权)人：上海耀焊科技有限公司，
类型：发明
国别省市：